CNN_Logistic Classification의 가설 함수 정의

X: 유저가 학습한 시간

Y: 유저가 받은 점수

-> X 데이터에 없는 유저(7시간학습)가 받는 점수를 예측하는것이 목표.

가설을 세우자.

H(x)=Wx + b라는 형태의 직선을 통해.

오른쪽 파란선(hypothesis)를 기준으로 밖에 있는 범위의 값(x 표시되어있는 3개)에 대해서 방정식으로 값을 유도 -> Cost function

cost = 1/m * (H(x)-y)^2 (양수가 되어야 하므로.)

hypothesis와 cost function을 정리

우리의 목표 -> cost 값을 최소로 하는것 -> 예측하는 근사치와 좀 더 가까워지는 경향.

# Lab 2 Linear Regression

#tf 라이브러리 입력, 난수 생성

import tensorflow as tf

tf.set_random_seed(777)  # for reproducibility

# X and Y data

x_train = [1, 2, 3]

y_train = [1, 2, 3]

# Try to find values for W and b to compute y_data = x_data * W + b

# We know that W should be 1 and b should be 0

# But let TensorFlow figure it out

W = tf.Variable(tf.random_normal([1]), name='weight')

b = tf.Variable(tf.random_normal([1]), name='bias')

# Our hypothesis XW+b

hypothesis = x_train * W + b

# cost/loss function

cost = tf.reduce_mean(tf.square(hypothesis - y_train))

# Minimize

optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01)

train = optimizer.minimize(cost)

# Launch the graph in a session.

sess = tf.Session()

# Initializes global variables in the graph.

sess.run(tf.global_variables_initializer())

# Fit the line

for step in range(2001):

    sess.run(train)

    if step % 20 == 0:

        print(step, sess.run(cost), sess.run(W), sess.run(b))

# Learns best fit W:[ 1.],  b:[ 0.]

위 코드 정리하자면,

1. X_data, Y_data로 w,b 값을 도출해내어야 한다.

2. X,Y 그래프를 이용하여 3개 data를 표시한다

3. cost function이 minimize되게끔 w,b를 랜덤으로 정한다.

4. w,b값은 w->1, b->0으로 수렴한다.

5. 1차함수의 형태가 random -> y=x 꼴로 바뀐다.